[发明专利]文档信息抽取及图谱化方法和系统

权利要求书

1.一种文档信息抽取及图谱化方法，其特征在于，包括：

步骤1：通过自然语言理解技术和自然语言处理技术，从词特征和依存句法树上获取文档的构词特征，并制定规则用模式匹配的方法进行实体抽取；

步骤2：通过自然语言理解技术和自然语言处理技术，从词特征和依存句法树上获取文档的构词特征，并制定规则用模式匹配的方法进行关系和对应实体属性抽取；

步骤3：对抽取的实体、关系及属性三元组进行图谱化，生成文档图谱。

2.根据权利要求1所述的文档信息抽取及图谱化方法，其特征在于，所述步骤1包括：

步骤1.1：调用自然语言处理平台的词性标注服务，获取包括分词、词性标注、词长度、词偏移量、词位置的词法特征信息；

步骤1.2：调用自然语言处理平台的依存句法分析服务，对词法特征信息分析得到依存句法树信息，通过语言学中文构词分析得到复合名词实体；

步骤1.3：根据文档的实体词特点，以停用词和触发词的形式从依存句法树上对错误识别的实体词进行剪枝处理并获取实体词的分类，利用制定好的规则和加入的通用词及触发词进行实体抽取，得到实体抽取结果。

3.根据权利要求1所述的文档信息抽取及图谱化方法，其特征在于，所述步骤2包括：

步骤2.1：调用自然语言处理平台的依存句法分析和语义角色标注服务对需求条目进行依存句法和语义角色的分析，得到依存句法分析和语义角色标注的结果；

步骤2.2：扫描条目获取关系词，将关系词映射到依存句法分析的核心词上，同时也映射到语义角色标注的谓词上；

步骤2.3：抽取出符合依存句法分析形成的逻辑表达式的实体和符合语义角色标注A0、A1与谓词之间的关系实体，作为关系抽取的三元组；

步骤2.4：调用自然语言处理平台的词性标注服务，获取词法特征信息；

步骤2.5：提取分词结果中的数词和量词，并匹配到数词和量词的属性值修饰词，将数词量词与该修饰词拼接形成属性值，作为属性抽取的触发条件；

步骤2.6：扫描并记录触发的属性值和对应属性信息，将扫描属性前最近的实体或者距离属性最近的修饰词前的实体作为属性实体对象，进行实体属性链接，形成最终的属性三元组。

4.根据权利要求1所述的文档信息抽取及图谱化方法，其特征在于，所述步骤3包括：

步骤3.1：定义三元组的关系标签和实体标签；

步骤3.2：定义三元组的实体属性作为图谱中的节点属性，将关系词作为关系边中的属性存入图谱；

步骤3.3：将每个实体作为实例化对象中的子对象，以对象的方式将三元组存入neo4j图数据库中。

5.根据权利要求1所述的文档信息抽取及图谱化方法，其特征在于，采用层级紧耦合的方式来进行信息的抽取和可视化，结合开源的自然语言处理平台，从词法、句法、语义上分析中文需求文档的构词特征，制定对应的信息抽取规则，利用Drools引擎进行规则维护，抽取出文档中的实体和关系属性，并图谱化形成知识图谱。

6.一种文档信息抽取及图谱化系统，其特征在于，包括：

模块M1：通过自然语言理解技术和自然语言处理技术，从词特征和依存句法树上获取文档的构词特征，并制定规则用模式匹配的方法进行实体抽取；

模块M2：通过自然语言理解技术和自然语言处理技术，从词特征和依存句法树上获取文档的构词特征，并制定规则用模式匹配的方法进行关系和对应实体属性抽取；

模块M3：对抽取的实体、关系及属性三元组进行图谱化，生成文档图谱。